Slovak Araştırmacılar, Hava Sensörleri Olmadan PV İnvertör Çıkışını Tahmin Ediyor

Slovakya'nın Nitra'daki Constantine Filozof Üniversitesi'nden bilim adamlarının liderliğindeki bir araştırma ekibi, ticari kurulumlardaki PV invertörleri için yeni bir tahmin ve-anomali tespit modeli geliştirdi. Yeni makine-öğrenimi-tabanlı çerçeve, çevresel sensörlere dayanmadan yalnızca zamansal ve elektriksel verileri kullanır.

Akademisyenler, "Seçilen algoritmalar, tahmin için Rastgele Ormanlar ve anormallik tespiti için Z-score analizi, sağlamlıkları, yorumlanabilirlikleri ve küçük ama yüksek{1}}frekanslı veri kümelerine uygunlukları nedeniyle seçilmiştir ve bu da onları pratik PV izleme dağıtımlarıyla iyi-uyumlu hale getirmiştir" dedi. "Ayrıca, döngüsel güneş enerjisi üretim davranışını yakalamak için zaman-tabanlı temsiller (saat, gün ve hafta içi kalıpları) oluşturularak ışınım veya sıcaklık verilerinin bulunmaması açıkça ele alınmaktadır."

Model, 30 kW ve 40 kW nominal kapasiteye sahip iki invertör de dahil olmak üzere Batı Slovakya'daki şebekeye-bağlı bir PV tesisinden alınan gerçek-dünya operasyonel verilerini kullanıyor. İnvertör, şebeke gücü ve şebeke gerilimi verileri, invertör ve şebeke izleme sensörleri kullanılarak Ocak. 1 ile Şubat. 1 2025 tarihleri ​​arasında beş-dakika çözünürlükte toplandı.
 

Makine öğrenimi analizini etkinleştirmek için ön işleme gerekliydi. Daha sonra, bir Rastgele Orman Regresörü, her beş- dakikalık adımda gerçek invertör güç çıkışını (kW) tahmin edecek şekilde eğitildi. Daha sonra, sürekli gücü düşük, orta ve yüksek olmak üzere operasyonel durumlarla eşleştirmek için bir Rastgele Orman Sınıflandırıcısı kullanıldı. Bir saat ilerideki mevcut durumu ve gelecekteki durumu sınıflandırabilir. Son olarak, gerçek gücün tahmin edilen güçten ne ölçüde saptığını ölçmek için bir Z-puanı Analizi kullanıldı. İstatistiksel eşiği aşan değerler anormallik olarak işaretlendi.

Sonuçlar, "Bir Rastgele Orman Regresörü, güç tahmininde yüksek doğruluk elde etti (R²=0.995, ortalama mutlak hata=0.12 kW), sınıflandırma modelleri ise statik koşullar altında çıkış seviyelerini %100 doğrulukla kategorize etti." "Z-puanı analizi kullanılarak anormallik tespiti, özellikle yüksek-üretim aralıklarında önemli aykırı değerler tespit etti. Bununla birlikte, bir-saat-saatlik sınıflandırma, tahmin performansında önemli düşüşler ortaya çıkardı (doğruluk %= 36.4), bu da değişken çevre koşulları altında tahmin yapmanın doğasında olan zorluğun altını çizdi."

Sonuç olarak araştırma ekibi şunları ekledi: "Çok düzeyli teşhis için meteorolojik ve bağlamsal verileri entegre eden diğer güncel çalışmalardan farklı olarak, önerilen model yalnızca invertör ve şebeke-tarafı elektriksel ölçümler üzerinde çalışır. Bu ayrım, yorumlanabilir anormallik tespiti için şeffaf ve hesaplama açısından verimli bir alternatif sunarak, çevresel sensörlerin bulunmadığı senaryolarda sunulan yaklaşımın pratik değerini vurgular."

Çerçeve, yakın zamanda Results in Engineering dergisinde yayınlanan "Makine öğrenimini kullanan güneş PV invertörlerinde tahmine dayalı modelleme ve anormallik tespiti" bölümünde sunuldu. Araştırmaya Slovakya'nın Nitra'daki Konstantin Filozof Üniversitesi'nden, Macaristan'ın Obuda Üniversitesi'nden ve Çek Cumhuriyeti'nin České Budějovice'deki Güney Bohemya Üniversitesi'nden bilim adamları katıldı.